Нейрокомпьютинг и его применения в экономике и бизнесе

Скачать в pdf «Нейрокомпьютинг и его применения в экономике и бизнесе»


Уменьшение разнообразия данных за счет выделения конечного набора прототипов, и отнесения данных к одному из таких типов. (Кластеризация данных, квантование непрерывной входной информации.)


Рисунок 1. Два типа сжатия информации. Понижение размерности (а) позволяет описывать данные меньшим числом компонент. Кластеризация или квантование (Ь) позволяет снизить разнообразие данных, уменьшая число бит, требуемых для описания данных.


Возможно также объединение обоих типов кодирования. Например, очень богат приложениями метод топографических карт (или самоорганизующихся карт Кохонена — по имени предложившего их финского ученого), когда сами прототипы упорядочены в пространстве низкой размерности. Например, входные данные можно отобразить на упорядоченную двумерную сеть прототипов так, что появляется возможность визуализации многомерных данных.


Как и в случае с персептронами начать изучение нового типа обучения лучше с простейшей сети, состоящей из одного нейрона.


Нейрон — индикатор


Рассмотрим какие возможности по адаптивной обработке данных имеет единичный нейрон, и как можно сформулировать правила его обучения. В силу локальности нейросетевых алгоритмов, это базовое правило можно будет потом легко распространить и на сети из многих нейронов.


Постановка задачи


В простейшей постановке нейрон с одним выходом и d входами обучается на наборе г/-мерных


данных {х“}. В этой главе мы сосредоточимся, в основном, на обучении однослойных сетей,


для которых нелинейность функции активации не принципиальна. Поэтому можно упростить рассмотрение, ограничившись линейной функции активации. Выход такого нейрона является линейной комбинацией его входов
17:


У = Z wjxj = w».


Амплитуда этого выхода после соответствующего обучения (т.е. выбора весов по набору примеров {х“}) может служить индикатором того, насколько данный вход соответствует


обучающей выборке. Иными словами, нейрон может стать индикатором принадлежности входной информации к заданной группе примеров.

Скачать в pdf «Нейрокомпьютинг и его применения в экономике и бизнесе»